[发明专利]基于深度学习的可解释性SAR图像目标检测方法及系统

说明书

本发明公开了一种基于深度学习的可解释性SAR图像目标检测方法及系统，本发明包括为深度学习神经网络选取骨干网络：采用SAR图像数据集对不同的骨干网络进行训练并保存最优权重模型；利用混合全局归因映射HGAM对各个保存最优权重模型后的骨干网络进行事后可解释性分析，并选择最优的骨干网络作为深度学习神经网络的骨干网络；该深度学习神经网络包括最优骨干网络的选取、融合模块PANet以及检测头的可视化。本发明采用了混合全局归因映射HGAM这一可解释的人工智能对各个保存最优权重模型后的骨干网络进行分析，可实现对骨干网络的性能评估，从而获得最优的骨干网络，以提升对深度学习神经网络内部功能的洞察力，提升深度学习神经网络的检测准确度。

技术领域

本发明涉及合成孔径雷达(Synthetic Aperture Radar,SAR)图像的目标检测技术，具体涉及一种基于深度学习的可解释性SAR图像目标检测方法及系统。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)可以提供对地球上各种物体的连续观测，已经在大量的目标检测中得到广泛研究。随着获得的SAR图像分辨率的提升，使得SAR图像的数据量的增加，二，复杂背景的干扰和破碎的图像特征使得SAR图像目标检测更具挑战性。在各种SAR图像分析方法中，机器学习方法由于其对大量SAR图像的高精度和自动处理而引起了相当大的兴趣。深度神经网络(Deep Neural Network,DNN)是一种受大脑系统结构和功能启发的先进机器学习方法，在遥感图像的目标检测中得到广泛应用。

然而，大多数DNN都因其黑盒特性而受到批评，而且这种黑盒与注意机制和数据增强技术等高级深度学习方法一起使用，使这种黑盒变得更加难以探索。大多数情况下，仅是高精度不足以评估给定DNN的性能，用户可以在多大程度上理解DNN的功能就变得同等甚至重要。因此，这些可解释人工智能(eXplainable Artificial Intelligence,XAI)的方法开始揭示哪些特征或神经元是重要的，在图像分析的哪个阶段它们是重要的。XAI可以提供对DNN内部功能的洞察力，以提高对DNN应用的可理解性、透明度、可追溯性、因果关系和信任度。尽管如此，XAI尚未在SAR图像目标检测中开展DNN的应用和研究。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于深度学习的可解释性SAR图像目标检测方法及系统，本发明采用了混合全局归因映射HGAM这一可解释的人工智能(eXplainable Artificial Intelligence,XAI)对各个保存最优权重模型后的骨干网络进行分析，可实现对骨干网络的性能评估，从而获得最优的骨干网络，以提升对深度学习神经网络内部功能的洞察力，提升深度学习神经网络的检测准确度。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习的可解释性SAR图像目标检测方法，包括为用于对输入的SAR图像获得对应的目标检测结果的深度学习神经网络选取骨干网络的步骤：

1)采用SAR图像数据集对不同的骨干网络进行训练并保存最优权重模型；

2)利用混合全局归因映射HGAM对各个保存最优权重模型后的骨干网络进行分析，并选择最优的骨干网络作为深度学习神经网络的骨干网络。

可选地，所述骨干网络为多个阶段的特征提取模块和下采样模块堆叠组成，且由最后三个阶段的特征提取模块输出的特征图作为骨干网络的输出。

可选地，步骤2)包括：

2.1)针对SAR图像数据集中的SAR图像，基于各个保存最优权重模型后的骨干网络输出的特征图构成的四维张量X采用积分梯度方法生成局部观测归因，所述局部观测归因包括正归因PA和正归因比例PAP；

2.2)采用全局归因映射GAM的方法基于局部积分梯度IG的观测归因对各个骨干网络的检测性能进行全局分析，并选择最优的骨干网络作为深度学习神经网络的骨干网络。